Summary
Bu protokol, küçük ve çok yönlü bir video kameranın nasıl inşa edilebildiğini ve bir hayvanın operant klima odalarındaki konumunu izlemek için sinir ağı eğitmek için ondan elde edilen videoların nasıl kullanılacağını açıklar. Bu, operant koşullandırma testlerinden elde edilen veri günlüklerinin standart analizlerinin değerli bir tamamlayıcısıdır.
Abstract
Operant klima odaları nöroloji alanında davranışsal testler geniş bir yelpazede gerçekleştirmek için kullanılır. Kaydedilen veriler genellikle odacıkiçinde bulunan kolu ve burun dürtme sensörleri tetikleme dayanmaktadır. Bu, hayvanların belirli yanıtları ne zaman ve nasıl gerçekleştirdiğine dair ayrıntılı bir görünüm sağlarken, herhangi bir algılayıcıyı tetiklemeyen davranışları değerlendirmek için kullanılamaz. Bu nedenle, hayvanların kendilerini nasıl konumlandırıp odanın içinde hareket ettiğini değerlendirmek nadiren mümkündür. Bu bilgileri elde etmek için, araştırmacılar genellikle videoları kaydetmek ve analiz etmek zorunda. Operant klima odaları üreticileri genellikle yüksek kaliteli kamera kurulumları ile müşterilerine sağlayabilir. Ancak, bu çok pahalı olabilir ve mutlaka diğer üreticilerin veya diğer davranışsal test kurulumları odaları sığmaz. Mevcut protokol, hobi elektroniği bileşenlerini kullanarak ucuz ve çok yönlü bir video kamera nın nasıl inşa edilebildiğini açıklamaktadır. Ayrıca güçlü bir ışık sinyali durumunu izlemek için görüntü analizi yazılım paketi DeepLabCut nasıl kullanılacağını açıklar, yanı sıra bir sıçan konumunu, videoları bir operant klima odasından toplanan. Eski tüm test oturumları kapsayan videoları ilgi kısa segmentleri seçerken büyük bir yardımcı, ve ikinci operant odaları tarafından üretilen veri günlükleri elde edilemez parametrelerin analizini sağlar.
Introduction
Davranışsal nörobilim alanında, araştırmacılar genellikle kemirgenlerde farklı bilişsel ve psikiyatrik özellikleri geniş bir yelpazede değerlendirmek için operant klima odaları kullanın. Bu tür sistemlerin birkaç farklı üreticileri olsa da, genellikle belirli özellikleri paylaşmak ve neredeyse standart tasarım1var,2,3. Odaları genellikle kare veya dikdörtgen şeklinde, içine hayvanlar yerleştirmek için açılabilir bir duvar ile, ve bir veya iki kollar gibi bileşenleri içeren kalan duvarlar, burun-poke açıklıklar, ödül tepsileri, tepki tekerlekleri ve çeşitli ışıklar1,2,3. Odalarda bulunan ışıklar ve sensörler hem test protokolünü kontrol etmek hem de hayvanların davranışlarını izlemek için kullanılır1,2,3,4,5. Tipik operant klima sistemleri hayvanların farklı operanda ve odalarında mevcut açıklıklar ile etkileşim nasıl çok ayrıntılı bir analiz için izin verir. Genel olarak, sensörlertetiklenen herhangi bir durumda sistem tarafından kaydedilebilir ve bu verilerden kullanıcılar hayvan test4,5belirli adımlar sırasında ne yaptığını açıklayan ayrıntılı günlük dosyaları elde edebilirsiniz. Bu bir hayvanın performansının geniş bir temsilini sağlarken, yalnızca bir veya daha fazla sensörü doğrudan tetikleyen davranışları tanımlamak için kullanılabilir4,5. Bu nedenle, hayvan Pozisyonları kendini ve testin farklı aşamalarında oda içinde hareket nasıl ilgili yönleri iyi6,7,,8,9,10açıklanmaz . Bu talihsiz, bu tür bilgiler hayvanın davranışını tam olarak anlamak için değerli olabilir gibi. Örneğin, bazı hayvanların belirli bir,test6üzerinde neden kötü performans gösterdiğini açıklamak için kullanılabilir, hayvanların zor görevleri66,7,8,9,10işlemek için geliştirebilecekleri stratejileri açıklamak veya sözde basit davranışların gerçek karmaşıklığını takdir etmek için11,12. Bu tür ifade bilgi elde etmek için, araştırmacılar genellikle video,6,7,8,,9,10,11manuel analizi açın.
Operant klima odalarından video kaydederken, kamera seçimi çok önemlidir. Odaları genellikle izolasyon kabinleri bulunan, protokolleri sık sık hiçbir görünür ışık parlayan adımları kullanarak3,6,7,8,9. Bu nedenle, kızılötesi (IR) aydınlatmanın IR'ye duyarlı bir kamerayla birlikte kullanılması gereklidir, çünkü tam karanlıkta bile görünürlük sağlar. Ayrıca, izolasyon kabini içinde bir kamera yerleştirmek için kullanılabilir alan genellikle çok sınırlıdır, bu bir görüş geniş bir alana sahip lensler kullanan küçük kameralar sahip güçlü yararları anlamına gelir (örneğin, balık gözü lensler)9. Operant klima sistemleri üreticileri genellikle müşterilerine yüksek kaliteli kamera kurulumları sağlayabilir iken, bu sistemler pahalı olabilir ve mutlaka diğer üreticilerin veya diğer davranış testleri için kurulumları odaları sığmaz. Ancak, tek başına video kameralar kullanarak üzerinde önemli bir yararı bu kurulumları genellikle operant klima sistemleri13,14ile doğrudan arayüz olabilir. Bu nedenle, onlar büyük ölçüde aşağıdaki analizyardımcı olabilir tam test oturumları yerine sadece belirli olayları kaydetmek için ayarlanabilir.
Mevcut protokol, hobi elektroniği bileşenlerini kullanarak ucuz ve çok yönlü bir video kamera nın nasıl inşa edilebildiğini açıklamaktadır. Kamera bir balıkgözü lens kullanır, IR aydınlatma duyarlı dır ve IR ışık yayan diyotlar bir dizi vardır (IR LED'ler) bağlı. Ayrıca, düz ve ince bir profile sahip olmak için inşa edilmiştir. Birlikte, bu yönleriyle en ticari operant klima odaları yanı sıra diğer davranışsal test kurulumları videoları kayıt için idealdir. Protokol ayrıca kamera ile elde edilen videoları işlemek için nasıl ve nasıl yazılım paketi DeepLabCut15,,16 ilgi video dizileri ayıklama yanı sıra orada bir hayvanın hareketlerini izleme yardımcı olmak için nasıl kullanılacağını açıklar. Bu kısmen klima sistemleri operant üreticileri tarafından sağlanan entegre çözümler üzerinde tek başına bir kamera kullanarak çekme atlatmak ve davranışların manuel puanlama için bir tamamlayıcı sunuyor.
Genel sürecin farklı operant koşullandırma testlerinden videolara uyarlanabileceğini vurgulamak için protokolü genel bir biçimde yazmak için çaba gösterilmiştir. Bazı anahtar kavramları göstermek için, 5 seçenekli seri reaksiyon süresi testi (5CSRTT)17 yapan farelerin videoları örnek olarak kullanılır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Hayvan işleme dahil tüm prosedürler hayvan araştırmaları için Malmö-Lund Etik komitesi tarafından onaylanmıştır.
1. Video kamera oluşturma
NOT: Kameranın oluşturulması için gerekli bileşenlerinlistesi Malzeme Tablosu'nda verilmiştir. Ayrıca bkz: Şekil 1, Şekil 2, Şekil 3, Şekil 4, Şekil 5.
- Kamera standının açılmasının etrafına manyetik metal halkayı (balıkgözü lens paketine eşlik eden) takın(Şekil 2A). Bu, balık gözü merceğinin kamera nın önüne yerleştirilmesini sağlayacak.
- Kamera modülünü kamera standına takın (Şekil 2B). Bu kamera modülü için bazı istikrar verecek ve elektronik devreler için bazı koruma sağlar.
- Kamera modülü ve mikrobilgisayardaki kamera bağlantı noktalarını(Şekil 1)plastik kliplerinin kenarlarını hafifçe çekerek açın(Şekil 2C).
- Gümüş konektörlerin devre kartlarına bakabilmesi için şerit kablosunu kamera bağlantı noktalarına yerleştirin(Şekil2C). Kamera bağlantı noktalarının plastik kliplerini iterek kabloyu yerine kilitleyin.
- Mikrobilgisayarı plastik kasaya yerleştirin ve listelenen mikro SD kartı(Şekil 2D)takın.
NOT: Mikro SD kart mikrobilgisayarın sabit diski olarak işlev görür ve tam bir işletim sistemi içerir. Listelenen mikro SD kart üzerine önceden yüklenmiş bir yükleme yöneticisi ile birlikte gelir (Yeni Kutu Yazılım (NOOBS). Alternatif olarak, bir genel bir mikro SD kart mikrobilgisayarın işletim sisteminin en son sürümü (Raspbian veya Rasberry Pi OS) bir görüntü yazabilirsiniz. Bu yardım için, resmi web kaynakları18bakın. 32 Gb depolama alanına sahip sınıf 10 mikro SD kart kullanmak tercih edilir. Daha büyük SD kartlar listelenen mikrobilgisayarla tam olarak uyumlu olmayabilir. - Monitörü, klavyeyi ve fareyi mikrobilgisayara bağlayın ve güç kaynağını bağlayın.
- Mikrobilgisayarın işletim sisteminin (Raspbian veya Rasberry Pi OS) tam kurulumunu gerçekleştirmek için kurulum kılavuzutarafından istenen adımları izleyin. Mikrobilgisayar önyükleme yaptığında, ethernet kablosu veya Wi-Fi üzerinden internete bağlı olduğundan emin olun.
- Mikrobilgisayarın önceden yüklenmiş yazılım paketlerini güncelleştirmek için aşağıda özetlenen adımları izleyin.
- Terminal pencereyi açın (Şekil 3A).
- "sudo apt-get update" yazın (tırnak işaretleri hariç) ve Enter tuşuna basın(Şekil 3B). İşlemin bitmesini bekleyin.
- "sudo apt tam yükseltme" yazın (tırnak işaretleri hariç) ve enter tuşuna basın. İstendiğinde düğme yanıtları yapın ve işlemin tamamlanmasını bekleyin.
- Başlat menüsüaltında Tercihler ve Raspberry Pi yapılandırmaları (Şekil 3C)seçeneğini belirleyin. Açılan pencerede, Arabirimler sekmesine gidin ve Kamera ve I2C'yi etkinleştirmek için tıklatın. Bu kamera ve IR LED modülleri ile mikrobilgisayar çalışması için gereklidir.
- Ek Dosya 1'i "Pi_video_camera_Clemensson_2019.py" olarak yeniden adlandırın. Bir USB bellek çubuğuna kopyalayın ve daha sonra mikrobilgisayarın /home/pi klasörüne(Şekil 3D)kopyalayın. Bu dosya, adım 1.13'te bağlı olan düğme anahtarlarıyla video kayıtlarının yapılmasını sağlayan bir Python komut dosyasıdır.
- Mikrobilgisayarın rc.local dosyasını yeniden yapmak için aşağıda özetlenen adımları izleyin. Bu, bilgisayarın komut dosyasını adım 1.10'da kopyalanan başlatmasını ve önyükleme yaptığında adım 1.13'e eklenen IR LED'lerini başlatmasını sağlar.
DİkKAT: Bu otomatik başlatma özelliği, listelenen model dışındaki mikrobilgisayar panolarıyla güvenilir bir şekilde çalışmaz.- Terminal penceresini açın, "sudo nano /etc/rc.local" yazın (tırnak işaretleri hariç) ve enter tuşuna basın. Bu bir metin dosyası açar (Şekil 4A).
- İmleci "fi" ve "exit 0"(Şekil 4A)arasındaki boşluğa taşımak için klavyenin ok tuşlarını kullanın.
- Şekil 4B'degösterildiği gibi aşağıdaki metni ekleyin, her metin dizesini yeni bir satıra yazın:
sudo i2cset -y 1 0x70 0x00 0xa5 &
sudo i2cset -y 1 0x70 0x09 0x0f &
sudo i2cset -y 1 0x70 0x01 0x32 &
sudo i2cset -y 1 0x70 0x03 0x32 &
sudo i2cset -y 1 0x70 0x06 0x32 &
sudo i2cset -y 1 0x70 0x08 0x32 &
sudo python /home/pi/Pi_video_camera_Clemensson_2019.py & - Değişiklikleri Ctrl + x tuşuna basarak kaydedin ve ardından y tuşuna basın ve Enter tuşuna basın.
- Lehim, Şekil 5A'dabelirtildiği ve aşağıda açıklandığı gibi gerekli bileşenleri bir araya getirmelidir.
- İki renkli LED için, bir bacağa bir direnç ve dişi jumper kablosu ve diğerine bir dişi jumper kablosu takın(Şekil 5A). Kabloları mümkün olduğunca kısa tutmaya çalışın. Led'in elektrotlarından hangisinin negatif (genellikle kısa olan) olduğuna dikkat edin, çünkü bunun mikrobilgisayarın genel amaçlı giriş/çıkış (GPIO) pimlerinde zemine bağlanması gerekir.
- İki düğme anahtarı için, her bacağa bir dişi jumper kablosu takın(Şekil 5A). Kabloları anahtarlardan biri için uzun, diğerinin kısasını yapın.
- IR LED modülünü monte etmek için, resmi web kaynaklarında mevcut olan talimatları izleyin19.
- Bileşenleri kısa devre riskini sınırlamak için shrink boru ile lehimli eklemleri kaplayın.
- Mikrobilgisayarı kapatın ve anahtarları ve LED'leri Şekil 5B'debelirtildiği ve aşağıda açıklandığı gibi GPIO pimlerine bağlayın.
DİkKAT: Bileşenlerin yanlış GPIO pimlerine kablolanması, kamera açıldığında onlara ve/veya mikrobilgisayara zarar verebilir.- Negatif ucunun #14 sabitlemeye, pozitif ucunun da pin #12 bağlanabilmesi için bir LED bağlayın. Bu LED, mikrobilgisayar önyükleme ve kamera kullanıma hazır olduğunda parlayacak.
- Düğme anahtarını uzun kablolarla bağlayın, böylece bir kablo #9 sabitlemeye, diğeri de #11 sabitlemeye bağlanır. Bu düğme, video kayıtlarını başlatmak ve durdurmak için kullanılır.
NOT: Kamerayı kontrol eden komut dosyası, bir video kaydını başladıktan veya durdurduktan sonra bu düğmenin birkaç saniye yanıt verilemeden yazılmıştır. - Negatif uç pin #20 bağlanır ve pozitif sonu pin #13 bağlanır böylece bir LED bağlayın. Bu LED, kamera bir video kaydederken parlar.
- Düğme anahtarını kısa kablolarla bağlayın, böylece bir kablo #37 sabitlemeye, diğeri de #39 sabitlemeye bağlanır. Bu anahtar kamerayı kapatmak için kullanılır.
- Resmi web kaynaklarında açıklandığı gibi IR LED modülünü bağlayın19.
2. İlgi operant klima protokolü tasarımı
NOT: Operant odalarından kaydedilen videolardaki protokol ilerlemesini izlemek için DeepLabCut'u kullanmak için, davranış protokollerinin aşağıda açıklandığı gibi belirli şekillerde yapılandırılması gerekir.
- Protokolü, protokoldeki belirli bir adımın (bireysel denemelerin başlaması veya test oturumu gibi) bir göstergesi olarak odanın ev ışığını veya başka bir güçlü ışık sinyalini kullanacak şekilde ayarlayın (Şekil 6A). Bu sinyal, bu protokolün geri kalanında "protokol adım göstergesi" olarak anılacaktır. Bu sinyalin varlığı, kaydedilen videolarda protokol ilerlemesini izlemeolanağı sağlar.
- Protokol, protokol adım göstergesinin etkin hale gelmesiyle ilgili olarak tek tek zaman damgalarıyla ilgili tüm ilgi çekici yanıtları kaydacak şekilde ayarlayın.
3. İlgi nin davranışsal testini yapan hayvanların videolarının kaydedilmesi
- Kamerayı operaodalarının üstüne yerleştirin, böylece içindeki alanın üst görünümünü kaydeder (Şekil 7).
NOT: Bu özellikle bir hayvanların genel konumunu ve oda içindeki duruşunu yakalamak için uygundur. Kameranın gösterge ışıklarını ve IR LED modüllerini kamera merceği yakınına yerleştirmekten kaçının. - Kamerayı güç kaynağı kablosu ile elektrik prizine bağlayarak çalıştırın.
NOT: İlk kullanımdan önce, kamera modülüne eşlik eden küçük bir araç kullanarak kameranın odak noktasını ayarlamak faydalıdır. - Video kayıtlarını başlatmak ve durdurmak için adım 1.13.2'de bağlı olan düğmeyi kullanın.
- Aşağıdaki adımları izleyerek kamerayı kapatın.
- Adım 1.13.1'de bağlanan LED kapanAna kadar 1.13.4 adımda bağlı olan düğmeye basın ve basılı tutun. Bu, kameranın kapatma işlemini başlatır.
- Mikrobilgisayarın üstünde görünen yeşil LED'in(Şekil 1)yanıp sönmeyi durdurana kadar bekleyin.
- Kameranın güç kaynağını çıkarın.
DİkKAT: Mikrobilgisayar çalışırken güç kaynağının fişini çekmek mikro SD karttaki verilerin bozulmasına neden olabilir.
- Kamerayı bir monitör, klavye, fare ve USB depolama aygıtına bağlayın ve video dosyalarını masaüstünden alın.
NOT: Dosyalar, video kaydının başlatıldıkı tarih ve saate göre adlandırılır. Ancak, mikrobilgisayarın dahili bir saati yoktur ve yalnızca internete bağlandığında zaman ayarını günceller. - Kaydedilen videoları .h264'ten ''e dönüştürün. MP4, ikincisi deeplabcut ve en medya oynatıcılar ile iyi çalışır gibi.
NOT: Bunu başarmanın birden çok yolu vardır. Bir Ek Dosya 2açıklanmıştır.
4. DeepLabCut ile videoları analiz etme
NOT: DeepLabCut kullanıcıların video çerçeveleri bir dizi ilgi herhangi bir nesne tanımlamak için izin veren bir yazılım paketi, ve daha sonra tam uzunlukta videolar15,16nesnelerin konumlarını izleme bir sinir ağı eğitmek için bu kullanın. Bu bölümde, protokol adım göstergesinin durumunu ve fare başının konumunu izlemek için DeepLabCut'un nasıl kullanılacağına yönelik kaba bir anahat verilir. DeepLabCut kurulumu ve kullanımı, yayınlanan diğer protokollerde iyi tanımlanmıştır15,16. Her adım belirli Python komutları veya DeepLabCut grafik kullanıcı arayüzü üzerinden yapılabilir, başka bir yerde açıklandığı gibi15,16.
- 16'dabelirtilen adımları izleyerek yeni bir DeepLabCut projesi oluşturun ve yapılandırın.
- Bölüm 3'te kaydedilen videolardan bir veya daha fazlasından 700\u2012900 video karelerini ayıklamak için DeepLabCut'Un çerçeve kapma işlevini kullanın.
NOT: Eğer hayvanlar kürk pigmentasyonu veya diğer görsel özellikler açısından önemli ölçüde farklılık gösterirse, çıkarılan 700\u2012900 video karelerinin farklı hayvanların videoları arasında bölünmesi tavsiye edilir. Bu sayesinde, eğitimli bir ağ farklı bireyleri izlemek için kullanılabilir.- Protokol adım göstergesinin hem etkin(Şekil 8A)hem de etkin olmayan(Şekil 8B)durumunu görüntüleyen video çerçeveleri eklediğinden emin olun.
- Farklı pozisyonlar, duruşlar ve sıçan test sırasında gösterebileceği baş hareketleri aralığı kapsayan video çerçeveleri eklemek için emin olun. Bu, farenin odanın farklı bölgelerinde hareketsiz durduğu video çerçevelerini, başını farklı yönlere yönelttiği video çerçevelerini ve farenin aktif olarak hareket ettiği, burun dürtme açıklıklarına girdiği ve pelet çukuruna girdiği video çerçevelerini içermelidir.
- Adım 4.2'de çıkarılan her video karesinde fare kafasının konumunu el ile işaretlemek için DeepLabCut'un Etiketleme Araç Kutusunu kullanın. Farenin kulakları arasında merkezi bir konuma "kafa" etiketi yerleştirmek için fare imlecini kullanın(Şekil 8A,B). Buna ek olarak, odanın ev ışığının (veya diğer protokol adım göstergesinin) aktif olarak parladığı her video karesinde konumunu işaretleyin(Şekil 8A). Ev ışığını etkin olmadığı karelerde etiketsiz bırakın (Şekil 8B).
- Adım 4.3'te etiketlenmiş video çerçevelerinden bir eğitim veri seti oluşturmak ve sinir ağının eğitimini başlatmak için DeepLabCut'un "eğitim veri seti oluşturma" ve "tren ağı" işlevlerini kullanın. Seçilen ağ türü için "resnet_101" seçtiğinizden emin olun.
- Eğitim kaybı 0,01'in altına düştüğünde ağın eğitimini durdurun. Bu işlem 500.000 eğitim yinelemesi kadar sürebilir.
NOT: Yaklaşık 8 GB belleğe ve yaklaşık 900 video karesine (çözünürlük: 1640 x 1232 piksel) bir eğitim setine sahip bir GPU makinesi kullanırken, eğitim sürecinin yaklaşık 72 saat süreceği tespit edilmiştir. - Adım 4.4'te eğitilmiş sinir ağını kullanarak, adım 3'te toplanan videoları analiz etmek için DeepLabCut'Un video analizi işlevini kullanın. Bu, analiz edilen videoların her video karesinde fare kafasının izlenen konumlarını ve protokol adım göstergesini listeleyen bir .csv dosyası sağlar. Buna ek olarak, izlenen konumların görsel olarak görüntülendiği işaretli video dosyaları oluşturur (Videolar 1-8).
- Aşağıda özetlenen adımları izleyerek izlemenin doğruluğunu değerlendirin.
- DeepLabCut'Un yerleşik değerlendirme işlevini kullanarak ağın izleme doğruluğunun otomatik bir değerlendirmesini alın. Bu, adım 4.3'te etiketlenen video çerçevelerine dayanır ve ağ tarafından izlenen konumun el ile yerleştirilen etiketten ortalama olarak ne kadar uzakta olduğunu açıklar.
- Adım 4.6'da elde edilen işaretli videolarda bir veya daha fazla kısa video dizisi (her biri yaklaşık 100\u2012200 video karesi) seçin. Video dizilerini, kare kare ve etiketlerin fare başının, kuyruğunun vb. konumlarını doğru bir şekilde gösterdiği kaç karede ve etiketlerin hatalı konumlara yerleştirildiğinde veya gösterilmeyen kaç karede olduğunu not edin.
- Bir gövde parçasının veya nesnenin etiketi sık sık kaybolursa veya hatalı bir konuma yerleştirilirse, izlemenin başarısız olduğu durumları tanımlayın. 4.2 adımlarını yineleyerek bu durumların etiketli çerçevelerini ayıklayın ve ekleyin. ve 4.3. Ardından ağı yeniden eğitin ve 4.4-4.7 adımlarını tekrarlayarak videoları yeniden analiz edin. Sonuç olarak, izleme doğruluğu >%90 doğruluk sağlanmalıdır.
5. Operant odalarında ilgi çekici noktalar için koordinatların alınması
- DeepLabCut'ı, operant odalarındaki (burun dürtme açıklıkları, kollar vb.) ilgi noktalarını tek bir video karesinde(Şekil 8C)elle işaretlemek için 4.3 adımda açıklandığı şekilde kullanın. Bunlar, çalışmaya özel ilgi alanlarına bağlı olarak el ile seçilir, ancak protokol adım göstergesinin konumu her zaman dahil edilmelidir.
- DeepLabCut'Un proje klasöründe otomatik olarak "etiketli veriler" altında depoladığınız .csv dosyasından işaretli ilgi noktalarının koordinatlarını alın.
6. Protokol adım göstergesinin etkin olduğu video segmentlerinin tanımlanması
- Adım 4.6'daki DeepLabCut video analizinden elde edilen .csv dosyalarını tercih edilen bir veri yönetimi yazılımına yükleyin.
NOT: DeepLabCut ve operant klima sistemlerinden elde edilen verilerin miktarı ve karmaşıklığı nedeniyle, veri yönetimi en iyi otomatik analiz komut dosyaları ile yapılır. Bu işe başlamak için lütfen başka bir yerde bulunan20,21,22giriş seviyesi kılavuzlarına bakın. - Protokol adım göstergesinin bölüm 5'te elde edilen konumun 60 piksel içinde izlendiği video segmentlerinde not. Bunlar protokol adım göstergesinin etkin olduğu dönemler olacaktır (Şekil 6B).
NOT: Protokol adım göstergesinin parlamadığı video segmentleri sırasında, işaretli video DeepLabCut'un herhangi bir konuma kadar izlemediğini gösterebilir. Ancak, bu nadiren durumdur ve bunun yerine genellikle birden çok dağınık konumlara izlenir. - Protokol adım göstergesinin etkin olduğu her dönem için tam başlangıç noktasını ayıklayın (Şekil 6C: 1).
7. İlgi çekici video segmentlerinin belirlenmesi
- Protokol adım göstergesinin etkin hale geldiği noktaları(Şekil 6C: 1) ve operant odaları tarafından kaydedilen yanıtların zaman damgalarını (bölüm 2, Şekil 6C: 2) göz önünde bulundurun.
- Bu bilgileri, hangi video segmentlerinin deneme ler arası aralıklar, yanıtlar, ödül alma lar vb. gibi belirli ilginç olayları kapsadığını belirlemek için kullanın(Şekil 6C: 3, Şekil 6D).
NOT: Bunun için, burada açıklanan kameranın videoları 30 fps olarak kaydettiğini unutmayın. - Bu ilgi çekici olayları kapsayan belirli video çerçevelerine dikkat edin.
- (İsteğe bağlı) Yalnızca belirli ilgi çekici segmentleri içerecek şekilde tam test oturumlarının video dosyalarını edin.
NOT: Bunu başarmanın birden çok yolu vardır. Bir Ek Dosya 2 ve 3açıklanmıştır. Bu, çok sayıda video depolarken büyük ölçüde yardımcı olur ve aynı zamanda sonuçları gözden geçirme ve sunma yı daha kullanışlı hale getirebilir.
8. Belirli video segmentleri sırasında bir hayvanın konumunu ve hareketlerini analiz etmek
- Adım 4.6'da DeepLabCut'tan alınan baş pozisyonunun tam izleme verilerini yalnızca bölüm 7'nin altında belirtilen video bölümlerini içerecek şekilde alt ayarlayın.
- Bölüm 5(Şekil 8C)altında seçilen referans noktalarından biri veya birkaçı ile ilgili olarak hayvanın başının konumunu hesaplayın. Bu, farklı videolar arasında izleme ve konumlandırma karşılaştırmaları sağlar.
- Hayvanın konumu ve hareketlerinin ilgili derinlemesine analizini yapın.
NOT: Yapılan özel analiz ler kuvvetle çalışmaya özgü olacaktır. Analiz edilebilen parametrelerin bazı örnekleri aşağıda verilmiştir.- Seçili bir dönemde algılanan tüm koordinatları tek bir grafik içinde çizerek yol izlerini görselleştirin.
- Aşağıdaki formülü kullanarak belirli bir ilgi noktasına yakınlığı analiz edin:
- Ardışık karelerde izlenen koordinatlar arasındaki mesafeyi hesaplayarak bir hareket sırasındaki hız değişimlerini analiz edin ve kameranın 1/fps'si ile bölün.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Video kamera performansı
Temsili sonuçlar, 28,5 cm x 25,5 cm ve yükseklikleri 28,5 cm olan sıçanlar için operant klima odalarında toplandı. Balıkgözü lens takılı yken, kamera odanın üzerine yerleştirildiğinde tam taban alanını ve çevredeki duvarların büyük kısımlarını yakalar(Şekil 7A). Bu nedenle, kamera odanın üst kısmında merkez dışı yerleştirilse bile iyi bir görünüm elde edilebilir. Bu karşılaştırılabilir operant odaları için geçerli olmalıdır. IR LED'ler tüm odayı(Şekil 7B,C)aydınlatarak, oda içindeki diğer tüm ışıklar kapalı olsa bile iyi bir görünüm sağlar (Şekil 7C). Ancak, bu gibi durumlarda aydınlatma tamamen eşit değildir ve doğru izleme elde bazı zorluklara neden olabilir. Bu tür bir analiz ilgi çekiciyse, IR aydınlatmaek kaynakları gerekebilir. Ayrıca bazı odaları idrar ve dışkı toplamak için metal bırakarak tava kullanmak dikkati çekiyor. Kamera bu tür yüzeylerin doğrudan üzerine yerleştirilirse, kaydedilen videolarda IR LED'lerin ışığının güçlü yansımaları görünür olacaktır(Şekil 7B). Ancak bu durum, çok daha gelişmiş bir görüntü vererek, kağıt havluları bırakma tavaya yerleştirerek önlenebilir (Şekil 7C). Kameranın IR veya renkli LED'lerinin kamera merceğine çok yakın bir yere yerleştirilmesi, bunların görüntü çevresinde görünür olmasına neden olabilir(Şekil 7B). Kamera IR duyarlı olduğundan, odaların içinde bulunan herhangi bir IR ışık kaynakları videolarda görülebilir. Birçok kurulum için, bu IR ışın kırma sensörleri(Şekil 7C)sürekli parlayan içerecektir. Kameranın IR LED'lerinden sürekli aydınlatma iyi aydınlatılmış odaların görüntü kalitesini bozmaz (Şekil 7D). Kamera ile kaydedilen videoların boyutu yaklaşık 77 Mb/dk'dır. Kamera için 32 Gb mikro SD kart kullanılıyorsa, işletim sisteminin kurulmasından sonra yaklaşık 20 Gb kullanılabilir olmalıdır. Bu kayıtlı görüntüleri yaklaşık 260 dakika için oda bırakır.
Balıkgözü lens, görüntünün merkezinde keskin ama kenarlarına doğru keskinlik azaltılmış, biraz düzensiz odak olması kamera neden olur. Bu, izlemenin doğruluğunu etkilemiyor. Ayrıca, balıkgözü lens imaj deforme olan görüntüleri sonuçlanır. Örneğin, düz çizgiler boyunca eşit aralıklı noktalar arasındaki mesafeler, görüntünün çevresine doğru yapay olarak azaltılmış aralıkları gösterir (Şekil 9A,B). Kamera görüş alanının büyük bir kısmının veya mutlak mesafe ve hız ölçümlerinin ilgi çekici olduğu uygulamalar için kullanılıyorsa, bu distorsiyon ait verileri düzeltmeyi düşünmekte yarar vardır23 (Ek Dosya 4). Distorsiyon, ancak, görüntünün merkezinde nispeten hafiftir (Şekil 9B). Operant odamızda toplanan videolar için ilgi alanı kameranın görüş alanının merkezi %25'i ile sınırlıdır. Bu alanda, balıkgözü distorsiyon etkisi minimaldir (Şekil 9C\u2012F).
DeepLabCut ile izlemenin doğruluğu
Eğitimli bir ağın izleme doğruluğunu belirleyecek temel etkenler (i) eğitim veri kümesindeki etiketli çerçevelerin sayısı, (ii) bu etiketli çerçevelerin ilgi çekici davranışını ne kadar iyi yakaladığı ve (iii) kullanılan eğitim yinelemelerinin sayısıdır. DeepLabCut, izlemesinin bir nesnenin gerçek konumundan ne kadar uzakta (piksel sayısında) beklendiğine dair bir tahmin bildiren bir değerlendirme işlevi içerir. Ancak bu, bir nesnenin kaybolduğu ve/veya yanlış etiketlendiği kare sayısının iyi bir açıklamasını vermez(Şekil 10A),izleme doğruluğunun ek el ile değerlendirilmesi gereksinimini ister.
Operant odası içindeki davranışları çözümlemeiçin, iyi eğitilmiş bir ağ, protokol adım göstergesinin etkin olduğu tüm olayların doğru tanımlanmasına izin vermelidir. Değilse, ağı yeniden eğitmek veya farklı bir gösterge seçmek gerekebilir. İyi eğitilmiş bir ağa sahip olmasına rağmen, protokol adım göstergesinin izlenmesi zaman zaman kameranın görünümünü engelleyen hayvanlar tarafından kesintiye uğrayabilir (Şekil 10B). Bu, göstergenin etkin olmadığı bölümleri anımsatan izlemede kırılmalara neden olur. Bu olay sıklığı hayvan gerginliği, davranış protokolü türü ve protokol adım göstergesi seçimine bağlıdır. Burada kullanılan 5CSRTT örnek verilerde, 400 denemeden dördünde (veriler gösterilmedi) oluştu. Süreleri protokol tasarımında yer alan kesme adımıyla eşleşmediği için tüm durumlar kolayca tanımlanabilirdi(Şekil 6A). Sonuç olarak, odanın üstlerine ve hayvanların etkileşimedebildiği bileşenlerden uzak bir yere yerleştirilen bir göstergenin seçilmesi yararlı olacaktır.
İyi eğitilmiş bir ağ, video segmentleri sırasında bir hayvanın kafasını takip ederken %gt;90 doğruluk sağlar (Video 1). Bununla, video çerçevelerinin yalnızca küçük bir alt kümesinin sonraki analizin dışında kalması gerekir ve kullanılabilir izleme verileri bir test oturumu içindeki hemen hemen tüm denemelerden elde edilebilir. Doğru izleme, bir hayvanı hareketleri boyunca takip eden işaretler(Video 2) ve düzgün görünen çizilmiş yollar(Şekil 10C)ile açıkça tanımlanabilir. Buna karşılık, yanlış izleme, hedefe güvenilir bir şekilde kalmayan belirteçler(Video 3)ve pürüzlü görünen çizilmiş yollar(Şekil 10D)ile karakterize edilir. İkincisi, nesnenin doğru izleme dizileri içinde tek video karelerinde uzak hatalı konumlara izlenmesinden kaynaklanır. Bunun bir sonucu olarak, yanlış izleme genellikle hesaplanan hareket hızlarında ani kaymalara neden olur(Şekil 10E). Bu, izlemenin yanlış olduğu video çerçevelerini tanımlamak ve sonraki çözümlemelerden hariç tutmak için kullanılabilir. İzleme doğruluğunda önemli sorunlar varsa, izlemenin başarısız olduğu durumlar tanımlanmalı ve bu olayların etiketli video çerçevelerini içeren genişletilmiş bir eğitim kümesi kullanılarak ağ yeniden eğitilmelidir(Şekil 10A,E).
Operant davranışların analizini tamamlamak için video izleme kullanımı
Operant testler sırasında bir hayvanın kendini nasıl hareket ettirip konumlandırdığını analiz etmek, davranışlarının karmaşık ve çok yönlü doğasıhakkında birden fazla içgörü sağlayacaktır. Bir test oturumu boyunca bir hayvanın nerede bulunduğunu izleyerek, farklı hareket desenlerinin performansla nasıl ilişkili olduğunu değerlendirebilirsiniz(Şekil 11A,B). Belirli protokol adımları sırasında kafa hareketlerini daha fazla araştırarak, farklı stratejilerin kullanımını tespit edebilir ve karakterize edebilir(Şekil 11C\u2012E).
Örnek vermek için, 5CSRTT testini gerçekleştiren sıçanlar için sunulan temsili verileri göz önünde bulundurun (Şekil 6A, Şekil 11). Bu testte hayvanlara her biri 5 s bekleme adımı (denemeler arası aralık - ITI) ile başlayan birden fazla deneme sunulmaktadır (Şekil 6A: 1). Bunun sonunda, burun dürtme açıklıklarından birinin içinde bir ışık parlayacak (her denemede rastgele seçilen pozisyon, Şekil 6A: 2). Cued açıklığa burun dürtme doğru bir yanıt olarak kabul edilir ve ödüllendirilir(Şekil 6A: 3). Başka bir açılışa yanıt vermek yanlış kabul edilir. Işığın sunulmasından sonra 5 s içinde yanıt vermemesi bir ihmal olarak kabul edilir. Bu testin ITI sırasında ki baş hareketlerini takip eden farelerin yanıt verdiği çalışmalarda burun poke açıklıklarının etrafındaki alana doğru hızlı hareket ettiklerini ortaya koymuştur(Şekil 11A,B, Video 4). Buna karşılık, ihmal çalışmalarının çoğunda, sıçanlar açıklıklar etrafında alana yaklaşım başarısız(Şekil 11B, Video 5). Bu davranış, ihmallerin ortak yorumu ile yakından test3,16gerçekleştirmek için düşük bir motivasyon ile ilgili olan uyumludur. Ancak, ihmal çalışmaları (mevcut veri kümesinin yaklaşık% 20) bir alt kümesi, sıçanlar açıklıklar doğru net bir odak gösterdi(Şekil 11B, Video 6) ama cued açılış tam yerini not başarısız oldu. Veriler böylece, biri devam eden denemede olası bir ilgisizlikle ilgili olmak üzere en az iki farklı ihmal türü olduğunu, diğeri ise yetersiz visuospatialdikkat3'e daha fazla bağımlı olduğunu göstermektedir. Kafa izleme de belirgin stratejileri ayırt etmek için kullanılabilir. Örnek olarak, 5CSRTT(Şekil 11C\u2012E)sırasında farelerin burun dürtme açıklıklarına yakın olduklarında nasıl hareket ettikleri analiz edilirken iki ayrı dikkat stratejileri ortaya çıkmıştır. İlk stratejide, sıçanlar son derece odaklı bir yaklaşım gösterdi, ITI en boyunca merkezi bir konum koruyarak (Şekil 11C, Video 7). Buna karşılık, diğer strateji benimseyen sıçanlar sürekli bir arama gibi bir şekilde farklı açıklıklar arasında başlarını taşındı(Şekil 11D, Video 8). Bu tür davranış farklılıkları, farklı açıklıklara yakın olarak harcanan zaman miktarı hesaplanarak uygun bir şekilde ölçülebilir (Şekil 11E). Son olarak, farenin hangi açmanın işaret ışığı sunumu sırasında en yakın olduğu analiz edilerek(Şekil 11F),merkezi bir konumda olmanın(Şekil 11G) ve/veya cued açılışın bulunduğu yere yakın olduğu(Şekil 11H)testte doğru performans için yararlı olduğu gösterilebilir.
Şekil 1: Listelenen mikrobilgisayarın çizimi. Şema, mikrobilgisayar anakartındaki çeşitli ilgi çekici bileşenlerin konumunu gösterir. Bunlar daire içinde sayılarla işaretlenmiştir: 1: Kamera şerit kablosu için bağlayıcı; 2: Bilgisayarın ne zaman çalıştığını gösteren LED ışığı; 3: Güç kablosu için Mikro USB; 4: Fare/klavye için mikro USB; 5: Genel amaçlı giriş/çıkış pimleri (GPIO pimleri), bu pinler mikrobilgisayarı LED'lere, anahtarlara ve IR LED modülüne bağlamak için kullanılır; 6: Mini HDMI çıkışı; 7: Micro SD kart yuvası. Şeklin alt kısmında, GPIO pimlerinin kırpılmış ve büyütülmüş bir kısmı, belirli bir pimin konumunu doğru bir şekilde tanımlamak için bunların birlikte nasıl sayılacağa işaret eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2: Kameranın ana gövdesini oluşturmak. Rakamlar kameranın gövdesini oluşturmak için ana adımları gösterdi. (A) Manyetik metal halkayı kamera standına takın. (B) Kamera modüllerini kamera standına takın. (C) Kamera modülünü düz şerit kablosu ile mikrobilgisayara bağlayın. Hem mikrobilgisayarda hem de kamera modülünde bulunan kamera bağlantı noktalarını nasıl açıp kapatılacağını gösteren beyaz oklara dikkat edin. (D) Mikrobilgisayarı plastik kasaya yerleştirin ve mikro SD kart takın. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 3: Mikrobilgisayarın işletim sisteminin güncellenmesi ve çevre birimlerinin etkinleştirilmesi. Bu şekilde mikrobilgisayarın kullanıcı arabirimini gösteren dört farklı ekran görüntüsü gösterilmektedir. (A) Terminal pencereleri ekranın sol üst köşesindeki "terminal" simgesine tıklayarak açılabilir. (B) Terminal içinde, protokol metninde ayrıntılı olarak belirtildiği gibi farklı komuttürleri yazılabilir. Ekran görüntüsü, sistemin yazılım paketlerini güncelleştirme komutunu görüntüler. (C) Ekran görüntüsü, kamera modülü ve I2C GPIO pinlerinin kullanımını etkinleştirebileceğiniz yapılandırmalar menüsüne nasıl gidilir görüntüler. (D) Ekran görüntüsü, kamera komut dosyasının protokolün 1.10. Pencere, ekranın sol üst köşesindebelirtilen simgeye tıklayarak açılır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: Mikrobilgisayarın rc.local dosyasını yapılandırma. Bu rakam, adım 1.11.1'de açıklandığı gibi terminalden erişildiğinde mikrobilgisayarın rc.local dosyasının iki ekran görüntüsünü görüntüler. (A) Rc.local dosyasının orijinal biçiminde ki ekran görüntüsü. Ok, kameranın otomatik başlatma özelliğini etkinleştirmek için metnin girilmesi gereken alanı gösterir. (B) IR LED'leri parlatmak ve mikrobilgisayarın çalıştırıldıktan sonra kamerayı kontrol python komut dosyası başlatmak için düzenlendi sonra rc.local dosyasının bir ekran görüntüsü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 5: Anahtarların ve LED'lerin mikrobilgisayarın GPIO pimlerine bağlanması. (A) Şematik kadın jumper kabloları ile bir düğme anahtarı gösteren (üst) ve rezistans ve kadın jumper kabloları ile led (alt). (1) Düğme anahtarı, (2) dişi jumper kabloları, (3) LED, (4) rezistans. (B) İki düğmenin, renkli LED'lerin ve IR LED kartının mikrobilgisayarın GPIO pimlerine nasıl bağdaştırdığını gösteren şematik görüntü. Mavi kablolar ve GPIO pimleri zemini gösterir. İki GPIO pininin konumu şekil (GPIO pinleri #2 ve #40) belirtilir: (1) Video kaydını başlatmak/durdurmak için düğme. (2) Videonun ne zaman kaydedildiğini gösteren LED. (3) Kamerayı kapatmak için düğme. (4) Kameranın ne zaman önyükldüğünü ve kullanıma hazır olduğunu gösteren LED. (5) IR LED modülü. LED'li devrelerin de 330 Ω direnç içerdiğini unutmayın. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 6: Tam uzunlukta ki videolara ilgi dizilerini belirlemek için protokol adım göstergesinin DeepLabCut izlemesini kullanma. (A) 5 seçimli seri reaksiyon süresi testinde (5CSRTT) tek bir denemenin adımlarının şeması: (1) İlk olarak, kısa bir bekleme süresi (ITI) vardır. Ok aktif olarak parlayan bir ev ışığını gösterir. (2) ITI sonunda, bir ışık beş burun poke açıklıklar (ok) birinde parlayacak. (3) Eğer bir sıçan, bir burun dürtme yaparak doğru bir şekilde karşılık verirse, bir ödül (ok) teslim edilir. (4) Sıçan ödül almak için izin verilir. (5) Ev ışığının protokol adım göstergesi olarak kullanılmasını sağlamak için, bir sonraki deneme başlamadan önce ev ışığının (ok) kapatıldığı kısa bir duraklama adımı uygulanır. Davanın sonraki adımlarını takip eden adımlarda evin ışığının parladığını unutmayın. (B) 5CSRTT testinin video segmenti sırasında DeepLabCut tarafından izlenen aktif ev ışığının x-koordinatını gösteren örnek bir grafik. Ev ışığının parladığı segmentlerde (gösterge etkin - 1), konum tutarlı ve kararlı bir noktaya (örnek video çerçevesindeki kırmızı işaretçiye (okla gösterilir) kadar izlenir ve ev ışığının Şekil 8C'deki konumuyla karşılaştırılır (x, y: 163, 503). Ev ışığının parlamadığı segmentlerde (gösterge etkin değil - 2, örnek video çerçevesindeki beyaz oku not edin), izlenen konum kararlı değildir ve ev ışığının gerçek koordinatından çok uzaktır. (C) Tablo 1, bir protokol adım göstergesinin DeepLabCut takibinden elde edilen işlenmiş çıktının bir örneğini gösterir. Bu çıktıda, göstergenin etkin olduğu her durum için başlangıç noktası listelenmiştir. Tablo 2, operant klima sisteminden elde edilen verilerin bir örneğini göstererek, bireysel denemeler için ilgili ayrıntıları vermektedir. Bu örnekte, ITI'nin süresi, bir yanıt gerçekleştirmek ve ödülü almak için cued açılış ve gecikme lerin konumu kaydedilmiştir. Tablo 3, DeepLabCut'tan gelen izleme sonuçları ve operant klima sisteminden kaydedilen verileri birleştirerek elde edilen verilerin bir örneğini gösterir. Bu sayesinde, ITI'nin başlangıç noktası (A'da adım 1), işaret ışığı sunumunun başlangıç noktası (A'da adım 2), yanıt (A'da 3 adım) ve örnek bir deneme için alma (A'daki 4 adım) için video çerçeveleri elde edilmiştir. (D) Filme 5CSRTT denemesi sırasında DeepLabCut tarafından izlenen ev ışığının x-koordinatını gösteren örnek bir grafik. Protokolün farklı adımları belirtilir: (1) ITI; (2) bir işaret ışığı sunumu (beyaz ok ile gösterilen pozisyon); (3) yanıt; (4) ödül alma. Bu farklı protokol adımlarının başlangıç ve durmasını gösteren video karelerinin tanımlanması, D.'de belirtilenlerle karşılaştırılabilecek bir işlemle yapıldı.
Şekil 7: Kameranın görüntü özellikleri. (A) Operant klima odasının üzerine yerleştirilen bir kameradan elde edilen kırpılmamış görüntü. Oda parlak aydınlatılmış bir odaya yerleştirilirken görüntü yakalandı. (1) ev ışığı ve (2) odanın sol duvarı boyunca ödül pelet yalak ve (3) odanın sağ duvarı boyunca beş burun poke açıklıkları satır unutmayın. Her burun dürtme açılış küçük bir işaret ışığı içerir. (B) (1) metal düşürme tavasının neden olduğu güçlü yansımayı ve kameranın (2) gösterge LED'lerinin ve (3) IR LED modülünün en düşük konumlandırmasının neden olduğu yansımaları görüntüleyen kırpılmamış görüntü. (C) Odanın tam karanlıkta kırpılmış görüntüsü. Odanın sağ duvarı boyunca beş burun dürtme açıklıkları IR Kiriş break dedektörleri Gelen ışıklar açıkça görülebilir (ok) olduğunu unutmayın. (D) Parlak aydınlatıldığında odanın kırpılmış görüntüsü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 8: Protokol adım göstergesinin ve ilgi çekici vücut parçalarının konumsal takibi. (A) Resim, DeepLabCut tarafından izlenen bir protokol adım göstergesinin (kırmızı) yanı sıra bir farenin başını (sarı) ve kuyruğunun (yeşil) konumunu gösterir. Yanan ev ışığının izlenmesiyle belirtildiği gibi, video çerçevesi etkin bir denemenin anlık görüntüsünden alınır. (B) Resim, denemenin etkin olmadığı bir anda DeepLabCut tarafından izlenen başın (sarı) ve kuyruğun (yeşil) konumunu gösterir. Ev ışık izleme eksikliği ne dikkat edin. (C) Şekil 6 ve Şekil 11'degösterilen verilerin analizinde kullanılan ilgi noktalarının konumları; (1) Ev Lambası, bu durumda protokol adım göstergesi olarak kullanılır, (2\u20126) Burun dürtme açıklıkları #1\u20125. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 9: Balıkgözü merceğinden görüntü bozulması. (A) Bu protokolde açıklanan kamera ile alınan eşit büyüklükte ve aralıklı siyah beyaz kareler ile bir dama tahtası deseninin görüntüsü. Görüntü operant klima odalarından video kaydederken kullanılan karşılaştırılabilir bir yükseklikte alınmıştır. Merkezi yatay ve dikey çizgiler boyunca siyah kareler DeepLabCut ile işaretlenmiştir. (B) (A) işaretli karelerin aralığının görüntü merkezine yakınlıkla nasıl değiştiğini gösteren grafik. (C) Balıkgözü bozulma etkisinin operant odalarından toplanan videolar üzerindeki etkisini değerlendirmek için yapılan ölçümleri gösteren resim. Zemin alanının kenarı boyunca köşeler ve orta noktalar, her bir zemin basamak merkezi konumu ve beş burun poke açıklıkları konumu DeepLabCut (renkli noktalar) ile belirtilmiştir; (1) zemin basamakları aralığı, (2) odanın ortası boyunca oda zemin genişliği, (3) burun poke açıklıkları aralığı. (D) Taban basamaklarının aralıkları (art arda üç basamakkümesinin her kümesi için ortalama), soldan sağa (C'de) numaralandırılır. Balıkgözü bozulmasının küçük bir etkisi vardır, bu da merkezi basamakların yaklaşık 3 piksel aralıklı olmasına neden olur (%8) oda tabanının kenarlarına yerleştirilmiş basamaklardan daha da ayrıdır. (E) (C) hazne sinin genişliği, orta noktasının yanı sıra sol ve sağ kenarlarında ölçülür. Balıkgözü bozulmasının küçük bir etkisi vardır, bu da orta noktada ölçülen genişliğin kabaca 29 piksel (%5) olmasına neden olur. diğer ölçümlere göre daha uzun. (F) (C) kısmındaki burun dürtme açıklıklarının aralığı, görüntünün üst kısmından numaralandırılır. Balıkgözü bozulmasının küçük bir etkisi vardır, bu da merkezi üç açıklık (H2, H3, H5) arasındaki boşlukla sonuçlanır ve kabaca 5 piksel (%4) H1-H2 ve H4-H5 arasındaki aralıktan daha geniş. D-F için, dört videodan veri toplandı ve grup ortalaması + standart hatayı gösteren grafikler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 10: DeepLabCut izlemenin doğruluğunu gözden geçirme. (A) Operant odalarındafareleri izlemek üzere eğitilmiş iki sinir ağı için eğitim bilgilerini listeleyen bir tablo. Ağ #1 daha küçük bir eğitim veri kümesi, ancak Ağ #2 ile karşılaştırıldığında eğitim yinelemeleri yüksek sayıda kullanılır. Her iki ağ da DeepLabCut'Un değerlendirme fonksiyonundan (DLC test hatası) düşük hata puanı elde etti ve eğitimin sonuna doğru düşük bir eğitim kaybı gösterdi. Buna rağmen, Ağ #1 işaretli video karelerinin manuel olarak değerlendirilmesi üzerine çok kötü izleme doğruluğu gösterdi (ölçülen doğruluk, Video 2 ve Video 3'tekilerlekarşılaştırılabilecek bir video segmentini kapsayan 150 video karesinden tahmin). Ağ #2, (E)'de açıklandığı gibi, aktif olarak hareket eden farelerin ek video çerçevelerini eğitim veri setine dahil ettikten sonra, Network #1 geliştirilmiş sürümünü temsil eder. (B) Odanın evinin ışığını(Şekil 7A)başile kaplayan ve izlenmesini bozan bir fareyi gösteren görüntü. (C) 5CSRTT denemesi sırasında verilen yanıtı yakalayan video çerçevesi (Şekil 6A: 3). Yanıt sırasında ve önceki ITI sırasında başın hareket yolu görüntüye sarı renkte eklenmiştir. İzlemenin doğru olduğu kabul edilir. Hareketler sırasında düzgün izleme (beyaz ok) not edin. Video 2olarak karşılık gelen bir video mevcuttur. Ağ #2 (bkz. A) izleme için kullanıldı. (D) 5CSRTT denemesi sırasında verilen yanıtı yakalayan video çerçevesi (Şekil 6A: 3). Yanıt sırasında ve önceki ITI sırasında başın hareket yolu görüntüye sarı renkte eklenmiştir. Veriler, (C) 'de gösterilen ancak Ağ #1 ile analiz edilen aynı deneme ile ilgilidir (bkz. A). İzleme nin yanlış olduğu kabul edilir. Yolun birden çok düz çizgi (beyaz oklar) ile pürüzlü görünümünü, kafanın zaman zaman uzak hatalı konumlara (siyah oklar) izlenmesinden kaynaklanan işaretli görünümüne dikkat edin. Video 3olarak karşılık gelen bir video mevcuttur. (E) (C) ve (D) içinde baş izlemenin hareket hızındaki dinamik değişiklikleri gösteren grafik. Grafikte tanımlanabilir Video 2 ve 3görülen üç ana hareketleri vardır , sıçan ilk burun poke açıklıkları (ilk dönüş) yüz döner nerede, onlara daha fazla yaklaşmak için küçük bir ayarlama yapar (ayarlama), ve nihayet bir yanıt gerçekleştirir. Network #2 (A) tarafından elde edilen iyi izlemenin hız profili, doğru bir izlemeyi gösteren hareket hızındaki (mavi oklar) değişikliklerin düzgün eğrilerini görüntüler. Network #1 (A) tarafından elde edilen kötü izlemenin hız profili, tek video karelerinde zaman zaman izleme hatalarının göstergesi olarak hareket hızında (kırmızı oklar) birden fazla ani ani artış gösterir. Bu izleme sorunları özellikle hareketler sırasında meydana dikkati çekiyor. Bunu düzeltmek için, Network #1 eğitmek için kullanılan ilk eğitim seti aktif olarak hareket eden fareleri gösteren büyük miktarda video çerçevesi ile genişletildi. Bu daha sonra, bu izleme sorununu verimli bir şekilde ortadan kaldıran Ağ #2'ı eğitmek için kullanılmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 11: Operant klima testlerinin davranış analizini tamamlamak için DeepLabCut aracılığıyla konumsal izlemenin kullanılması. (A) Operant klima odasının iç kısmı. Odanın üç alanı belirtilir. Ödül pelet çukuruna (Pelet), merkezi oda alanı (Merkez) ve burun poke açıklıkları (Açıklıklar) çevresindeki alana yakın alan. (B) Sıçanların 5CSRTT'nin ITI adımı sırasında (A)'da özetlenen operant odasının üç farklı alanında geçirdikleri göreceli zaman miktarını gösteren bir grafik. Bir yanıt ile denemelerde, sıçanlar başlangıçta pelet yalak yakın konumlandırılmış olma eğilimindedir unutmayın (siyah) ve oda merkezi (gri), ancak ITI ilerledikçe, burun poke açıklıkları (beyaz) etrafında kendilerini konumlandırma doğru kayması. Buna karşılık, tipik ihmal çalışmalarında, sıçanlar pelet yalak ve oda merkezi etrafında konumlandırılmış kalır. Emisyon denemelerinin bir alt kümesinde (%yaklaşık %20) sıçanlar açıkça burun poke açıklıklar doğru odak kayması, ama yine de istendiğinde bir yanıt gerçekleştirmek için başarısız. Burun poke açıklıkları etrafında harcanan zamanın iki yönlü ANOVA analizi, konu faktörü arasında deneme tipi ni ve zaman olarak özne faktörü olarak önemli zaman ları ortaya koymaktadır (p < 0.001, F(4,8) = 35.13), trial type (p < 0.01, F(2,4) = 57.33) and time x trial type interaction (p < 0.001, F(8,16) = 15.3) effects. Data gathered from four animals performing 100 trials each. Graph displays mean + standard error. (C) 5CSRTT test seansının 50 ITI'si sırasında tek bir fare tarafından burun dürtme açıklıklarına yakın olarak izlenen tüm kafa pozisyonlarını gösteren ısı haritası. Sıçan merkezi burun poke açılış yakın bir noktada başını tutmak için güçlü bir eğilim olduğunu unutmayın. (D) 5-CSRTT test seansının 50 ITI'si sırasında tek bir fare tarafından burun dürtme açıklıklarına yakın olarak izlenen tüm kafa pozisyonlarını gösteren ısı haritası. Sıçan herhangi bir özel açılış için net bir tercih gösterir unutmayın. (E) (C) ve (D)'de görüntülenen iki sıçanın 5CSRTT'nin 50 ITI'si sırasında farklı burun dürtme açıklıklarına en yakın olarak geçirdikleri göreceli süreyi gösteren grafik. Odaklanmış bir strateji (C) (siyah) gösteren sıçan, arama benzeri bir stratejiye (D) (beyaz) sahip fare belirli bir açılış için hiçbir tercih göstermezken merkezi açılışa en yakın olmak için güçlü bir tercih gösterir. Grafik ortalama + standart hatayı gösterir. (F) 5CSRTT denemesinde işaret sunumu sırasında bir fare görüntüsü (Şekil 6A). Farenin kafasını merkezi açıklığa (beyaz ok) en yakın konuma yerleştirdiğini ve iki açıklıktan (siyah ok) uzakta olduğunu unutmayın. (G) Sıçan ların başının merkezi açıklığa mı yoksa işaret sunumu sırasındaki diğer açıklıklardan birine mi en yakın olduğuna ilişkin olarak 5CSRTT'deki performans doğruluğunu (yani doğru yanıtları verme sıklığı) gösteren bir grafik (Şekil 6A2). Her biri yaklaşık 70 yanıt yapan dört hayvandan toplanan veriler. Grafik grup ortalama + standart hata (eşleşen t-test görüntüler: p < 0.05). (H) Sinyal sunumu noktasında, 5CSRTT'deki performans doğruluğunu, çivili açıklığın konumu ile fare başının pozisyonu arasındaki mesafeye göre gösteren bir grafik. Mesafe, farelerin baş pozisyonu ile sinyalli açıklığın konumu arasındaki açıklık sayısıyla ilgilidir. Her biri yaklaşık 70 yanıt yapan dört hayvandan toplanan veriler. Grafik görüntüler ortalama + standart hata (eşleşen tek yönlü ANOVA: p < 0.01). For the presented analysis, Network #2 described in Şekil 10A kullanılmıştır. Analiz edilen veri kümesinin tamamı yaklaşık 160.000 video kare ve 400 deneme içeriyordu. Bunlardan video karelerinin %2,5'i, hayvanın dikkat çeken hareket hızının 3000 piksel/s'nin üzerinde olması nedeniyle dışlandı ve bu da hatalı izleme (Şekil 10E). Hiçbir tam deneme hariç tutuldu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Video 1: İyi eğitilmiş sinir ağının temsili izleme performansı. Video, 5CSRTT test oturumu sırasında doğru yanıtlarla 45 deneme yapan bir farenin montajını gösterir (protokol ayrıntıları için Şekil 6A'ya bakın). Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Ağın eğitimi (Şekil 10A'dakiAğ #2) burun poke açıklıklarına yakın oda tabanı boyunca yapılan hareketleriçin doğruluk vurgulanmıştır (sağ duvar, Şekil 7A). Bu segmentlerin izlenmesi ortalama >%90 doğruluk gösterir. Yetiştirme ve bakım bölümlerinin takibi yanlıştır, çünkü eğitim seti bu davranışların çerçevelerini içermemelidir. Videonun dosya boyutunu küçültmek için sıkıştırıldığını ve kamerayla elde edilen video kalitesini temsil etmediğini unutmayın. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 2: Doğru izlenen hayvan örneği. Video 5CSRTT sırasında doğru bir yanıt gösteren bir sıçan tek bir iyi izlenen deneme gösterir. Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Şekil 10A'da açıklanan nöral ağ #2 izleme için kullanılmıştır. İşaretlerin hayvanın hareketlerini nasıl doğru bir şekilde takip edebildiğini unutmayın. Ayrıca, bu video klibindeki kafa izleme için çizilen yol ve hareket hızı için Şekil 10C,E'ye bakın. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 3: Kötü izlenen hayvan örneği. Video 5CSRTT sırasında doğru bir yanıt gerçekleştiren bir sıçan tek bir kötü izlenen deneme gösterir. Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Şekil 10A'da açıklanan nöral ağ #1 izlenmesi için kullanılmıştır. Video klip Video 2kullanılan bir aynıdır. Baş için işaretleyici güvenilir farebaşının üstüne yerleştirilmiş olmadığını unutmayın. Ayrıca, bu video klibindeki kafa izleme için çizilen yol ve hareket hızı için Şekil 10D,E'ye bakın. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 4: Bir yanıt ile 5CSRTT deneme sırasında yapılan hareketlerin örneği. Video, 5-CSRTT sırasında doğru yanıt yapan bir farenin iyi izlenen tek bir denemesini gösterir. Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. İlk başta farenin pelet haznesine (sol duvar, Şekil 7A)net bir şekilde nasıl yerleştirilmeye ve dikkatini burun dürtme açıklıklarına odaklamak için nasıl hareket ettiğine dikkat edin. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 5: 5CSRTT sırasında tipik bir ihmal denemesi örneği. Video 5CSRTT sırasında tipik bir ihmal gerçekleştiren bir sıçan tek bir iyi izlenen deneme gösterir. Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Farenin burun dürtme açıklıklarına (sağ duvar, Şekil 7A)yüz çevirmek yerine pelet haznesi (sol duvar, Şekil 7A)ve oda merkezi etrafındaki konumunu nasıl koruduğuna dikkat edin. Görüntülenen davranış ve ihmal nedeni test in gerçekleştirirken düşük ilgi yansıtacak şekilde iddia edilebilir. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 6: 5CSRTT sırasında atipik bir ihmal denemesi örneği. Video 5CSRTT sırasında atipik bir ihmal gerçekleştiren bir sıçan tek bir iyi izlenen deneme gösterir. Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Farenin kendini odanın sağ duvarı boyunca burun dürtme açıklıklarına doğru nasıl konumlandırdığını unutmayın (Şekil 7A). Bu hayvan test gerçekleştirmek le ilgilendiğini göstermek için iddia edilebilir. Ancak, işaret ibraz edildiğinde fare, çivili açıklıktan (merkezi konum) uzak yüzler (klipte 5 s). Video 4'tegörüntülenen ihmalin aksine, burada görülen büyük olasılıkla alt-optimal visuospatial dikkat süreçleri ile ilgilidir. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 7: 5CSRTT iti sırasında odaklanmış merkezi konumu koruyan bir hayvan örneği. Video 5CSRTT bir deneme doğru bir yanıt gösteren bir sıçan tek bir iyi izlenen deneme gösterir. Farenin ITI sırasında merkezi bir pozisyonda nasıl korunabildiğini ve başını sağ duvar boyunca açılan merkezi burun dürtmesine yakın bir yerde tuttuğunu unutmayın(Şekil 7A). Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Bu videoyu indirmek için lütfen buraya tıklayın.
Video 8: 5CSRTT'nin ITI'si sırasında arama benzeri dikkat stratejisi görüntüleyen bir hayvanörneği. Video 5CSRTT bir deneme doğru bir yanıt gösteren bir sıçan tek bir iyi izlenen deneme gösterir. Farenin sık sık odanın sağ duvarı boyunca farklı burun poke açıklıkları yüz başını yeniden konumlandırır unutmayın(Şekil 7A). Videoda ev Lambası (kırmızı marker), kuyruk tabanı (yeşil marker) ve başın (mavi marker) izlenmesi gösterilir. Bu videoyu indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu protokol, operant klima odalarından ve diğer davranışsal test kurulumlarından video kaydetmek için kullanılabilecek ucuz ve esnek bir video kameranın nasıl yapılacağını açıklar. Ayrıca bu videolar içinde güçlü bir ışık sinyali izlemek için DeepLabCut nasıl kullanılacağını gösterir, ve nasıl tam test oturumları kapsayan video dosyalarına ilgi kısa video segmentleri belirlenmesinde yardımcı olmak için kullanılabilir. Son olarak, operant klima testleri sırasında davranışların analizini tamamlamak için bir fare başının izleme nasıl kullanılacağını açıklar.
Protokol, operant klima odaları için ticari olarak kullanılabilen video kayıt çözümlerine bir alternatif sunuyor. Belirtildiği gibi, bunların en büyük yararı operant odaları ile entegre, belirli olayların video kayıtları sağlayan. Bu protokolde açıklanan ilgi video segmentleri tanımlama yaklaşımı, belirli olayları kaydetmek için tam entegre bir sistem kullanarak karşılaştırıldığında daha zahmetli ve zaman alıcıdır. Ancak, çok daha ucuzdur (6 operant odası için video izleme ekipmanları için yeni bir maliyet tahmini yaklaşık 13.000 USD olarak belirlenmiştir. Buna karşılık, burada listelenen kameralar altı inşa yaklaşık 720 USD mal olacak). Buna ek olarak, kameralar birden fazla diğer davranışsal test kurulumları için kullanılabilir. Kamera ile çalışırken, sıvılarla temas etmemeleri için maruz kalan elektronik alanlarına (kamera bileşeninin arka kısmı ve IR LED bileşeni) dikkat etmek önemlidir. Buna ek olarak, kamera modülünü mikrobilgisayara bağlayan şerit kablosu ve LED'leri ve GPIO pimlerine anahtarlar, kamera sık sık hareket ettirilirse gevşeyebilir. Bu nedenle, kamera kılıfının tasarımını ayarlamak bazı uygulamalar için yararlı olabilir.
İlgi çekici video bölümlerini belirlemek ve hayvan hareketlerini izlemek için DeepLabCut'un kullanımı, manuel video analizine tamamlayıcı ve/veya alternatif sunar. Eski ikincisi geçersiz kılmaz iken, biz operant odaları içinde hareketleri ve davranışları analiz uygun bir yol sağlar bulduk. Özellikle, genellikle manuel puanlama yoluyla çıkarılandan daha ayrıntılı bilgiler içeren hayvanın konumsal verilerini sağlar (örneğin, "önünde", "yanında" vb. gibi nitel konumsal bilgilere göre gerçek koordinatlar).
Bir protokol adım göstergesi seçerken, davranış protokolünün belirli bir adımını tutarlı bir şekilde gösteren ve hayvan tarafından engellenmesi olası olmayan bir gösterge seçmek önemlidir. İkincisi sorunlu ise, bir operant odası dışında bir lamba yerleştirerek düşünebilirsiniz ve oda duvarları ile film. Birçok operant klima odaları modüler ve kullanıcıların serbestçe ışıkları taşımak için izin, sensörler ve etrafında diğer bileşenleri. Ayrıca kullanıcıların 24,25,,26videolarında kullanıcı tarafından tanımlanan nesneleri tanıma24ve izleme sinir ağları eğitmek için izin diğer yazılım paketleri olduğu unutulmamalıdır. Bunlar büyük olasılıkla geçerli protokolde DeepLabCut'a alternatif olarak kullanılabilir.
Protokolde, operant odalarındaki hareketleri ölçmek için farelerin başının orta kısmının nasıl izlerinin izne edilebilmesi anlatılıyor. DeepLabCut vücut parçaları veya ilgi nesneleri seçiminde tam özgürlük sunduğu gibi, bu kolaylık ile çalışma özel ilgi uygun değiştirilebilir. Burada açıklanan izleme doğal bir uzantısı da farelerin kulakları ve burun konumunu izlemek için, daha iyi sadece baş pozisyonu değil, aynı zamanda oryantasyon yargılamak için. Burada gösterilen temsili veriler Long Evans fareleriyle yeniden kodlandı. Bu sıçanlar pigmentasyon desenlerinde, özellikle kuyruk tabanlarına doğru, kişiler arası belirgin farklılıklar gösterirler. Bu farklı bireylerin izlenmesi için tek bir eğitimli sinir ağı uygulayarak bazı zorluklara neden olabilir. Bu sorunları sınırlamak için, ağ için eğitim kümesine ilgi tüm hayvanların video çerçeveleri eklemek en iyisidir. Long Evans sıçanSiyah kafası burada kullanılan odanın metal yüzeylere karşı oldukça güçlü bir kontrast sağlar. Böylece, kafalarının doğru takip elde etmek muhtemelen albino suşları ile daha az çaba gerektirir. DeepLabCut veya karşılaştırılabilir yazılım paketleri ile doğru izleme elde en kritik adım nöral ağ eğitimi için çeşitli video çerçeveleri iyi bir sayı seçmektir. Bu nedenle, ilgi çekici bir nesnenin izlenmesi nin en uygun alt düzey eki olarak kabul edilirse, eğitim çerçeveleri kümesini artırmak her zaman sonuçları iyileştirmeye yönelik ilk adım olmalıdır.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Raspberry Pi vakfının materyalleri ve kaynakları bu el yazmasında kullanılmış ve atıfta bulunulmuş sayılsa da, vakıf bu el yazmasında ekipman ve verilerin hazırlanması nda veya kullanımında aktif olarak yer almadı. Aynı pi-supply için de geçerlidir. Yazarların açıklayacak bir şeyi yok.
Acknowledgments
Bu çalışma İsveç Beyin Vakfı, İsveç Parkinson Vakfı ve İsveç Klinik Araştırma Fonu (M.A.C.) ile Wenner-Gren vakıfları (M.A.C, E.K.H.C), Åhlén vakfı (M.A.C) ve Blanceflor Boncompagni Ludovisi, née Bildt (S.F) vakfı tarafından desteklendi.
Materials
| Name | Company | Catalog Number | Comments |
| 32 Gb micro SD card with New Our Of Box Software (NOOBS) preinstalled | The Pi hut (https://thpihut.com) | 32GB | |
| 330-Ohm resistor | The Pi hut (https://thpihut.com) | 100287 | This article is for a package with mixed resistors, where 330-ohm resistors are included. |
| Camera module (Raspberry Pi NoIR camera v.2) | The Pi hut (https://thpihut.com) | 100004 | |
| Camera ribbon cable (Raspberry Pi Zero camera cable stub) | The Pi hut (https://thpihut.com) | MMP-1294 | This is only needed if a Raspberry Pi zero is used. If another Raspberry Pi board is used, a suitable camera ribbon cable accompanies the camera component |
| Colored LEDs | The Pi hut (https://thpihut.com) | ADA4203 | This article is for a package with mixed colors of LEDs. Any color can be used. |
| Female-Female jumper cables | The Pi hut (https://thpihut.com) | ADA266 | |
| IR LED module (Bright Pi) | Pi Supply (https://uk.pi-supply.com) | PIS-0027 | |
| microcomputer motherboard (Raspberry Pi Zero board with presoldered headers) | The Pi hut (https://thpihut.com) | 102373 | Other Raspberry Pi boards can also be used, although the method for automatically starting the Python script only works with Raspberry Pi zero. If using other models, the python script needs to be started manually. |
| Push button switch | The Pi hut (https://thpihut.com) | ADA367 | |
| Raspberry Pi power supply cable | The Pi hut (https://thpihut.com) | 102032 | |
| Raspberry Pi Zero case | The Pi hut (https://thpihut.com) | 102118 | |
| Raspberry Pi, Mod my pi, camera stand with magnetic fish eye lens and magnetic metal ring attachment | The Pi hut (https://thpihut.com) | MMP-0310-KIT |
References
- Pritchett, K., Mulder, G. B. Operant conditioning. Contemporary Topics in Laboratory Animal Science. 43 (4), (2004).
- Clemensson, E. K. H., Novati, A., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntington disease shows slowed learning in a Go/No-Go-like test of visual discrimination. Behavioural Brain Research. 359, 116-126 (2019).
- Asinof, S. K., Paine, T. A. The 5-choice serial reaction time task: a task of attention and impulse control for rodents. Journal of Visualized Experiments. (90), e51574 (2014).
- Coulbourn instruments. Graphic State: Graphic State 4 user's manual. Coulbourn instruments. , Holliston, Massachusetts. 12-17 (2013).
- Med Associates Inc. Med-PC IV: Med-PC IV programmer's manual. Med Associates Inc. , St. Albans, Vermont. 21-44 (2006).
- Clemensson, E. K. H., Clemensson, L. E., Riess, O., Nguyen, H. P. The BACHD rat model of Huntingon disease shows signs of fronto-striatal dysfunction in two operant conditioning tests of short-term memory. PloS One. 12 (1), (2017).
- Herremans, A. H. J., Hijzen, T. H., Welborn, P. F. E., Olivier, B., Slangen, J. L. Effect of infusion of cholinergic drugs into the prefrontal cortex area on delayed matching to position performance in the rat. Brain Research. 711 (1-2), 102-111 (1996).
- Chudasama, Y., Muir, J. L. A behavioral analysis of the delayed non-matching to position task: the effects of scopolamine, lesions of the fornix and of the prelimbic region on mediating behaviours by rats. Psychopharmacology. 134 (1), 73-82 (1997).
- Talpos, J. C., McTighe, S. M., Dias, R., Saksida, L. M., Bussey, T. J. Trial-unique, delayed nonmatching-to-location (TUNL): A novel, highly hippocampus-dependent automated touchscreen test of location memory and pattern separation. Neurobiology of Learning and Memory. 94 (3), 341 (2010).
- Rayburn-Reeves, R. M., Moore, M. K., Smith, T. E., Crafton, D. A., Marden, K. L. Spatial midsession reversal learning in rats: Effects of egocentric cue use and memory. Behavioural Processes. 152, 10-17 (2018).
- Gallo, A., Duchatelle, E., Elkhessaimi, A., Le Pape, G., Desportes, J. Topographic analysis of the rat's behavior in the Skinner box. Behavioural Processes. 33 (3), 318-328 (1995).
- Iversen, I. H. Response-initiated imaging of operant behavior using a digital camera. Journal of the Experimental Analysis of Behavior. 77 (3), 283-300 (2002).
- Med Associates Inc. Video monitor: Video monitor SOF-842 user's manual. Med Associates Inc. , St. Albans, Vermont. 26-30 (2004).
- Coulbourn Instruments. Coulbourn Instruments. , Available from: https://www.coulbourn.com/product_p/h39-16.htm (2020).
- Mathis, A., et al. DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nature Neuroscience. 21 (9), 1281-1289 (2018).
- Nath, T., Mathis, A., Chen, A. C., Patel, A., Bethge, M., Mathis, M. W. Using DeepLabCut for 3D markerless pose estimation across species and behaviors. Nature Protocols. 14 (7), 2152-2176 (2019).
- Bari, A., Dalley, J. W., Robbins, T. W. The application of the 5-chopice serial reaction time task for the assessment of visual attentional processes and impulse control in rats. Nature Protocols. 3 (5), 759-767 (2008).
- Raspberry Pi foundation. Raspberry Pi foundation. , Available from: https://thepi.io/how-to-install-raspbian-on-the-raspberry-pi/ (2020).
- Pi-supply. Pi-supply. , Available from: https://learn.pi-supply.com/make/bright-pi-quickstart-faq/ (2018).
- Python. Python. , Available from: https://wiki.python.org/moin/BeginnersGuide/NonProgrammers (2020).
- MathWorks. MathWorks. , Available from: https://mathworks.com/academia/highschool/ (2020).
- Cran.R-Project.org. Cran.R-Project.org. , Available from: https://cran.r-project.org/manuals.html (2020).
- Liu, Y., Tian, C., Huang, Y. Critical assessment of correction methods for fisheye lens distortion. The international archives of the photogrammetry, remote sensing and spatial information sciences. , (2016).
- Pereira, T. D., et al. Fast animal pose estimation using deep neural networks. Nature Methods. 16 (1), 117-125 (2019).
- Graving, J. M., et al. DeepPoseKit, a software toolkit for fast and robust animal pose estimation using deep learning. Elife. 8 (47994), (2019).
- Geuther, B. Q., et al. Robust mouse tracking in complex environments using neural networks. Communications Biology. 2 (124), (2019).
